命題モデル計数のための分岐ヒューリスティックスの学習【JST・京大機械翻訳】

Vaezipoor Pashootan; Lederman Gil; Wu Yuhuai; Maddison Chris J.; Grosse Roger; Seshia Sanjit A.; Bacchus Fahiem

プレプリント

J-GLOBAL ID：202202221192257760 整理番号：22P0168048

命題モデル計数のための分岐ヒューリスティックスの学習【JST・京大機械翻訳】

Learning Branching Heuristics for Propositional Model Counting

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2020年07月07日プレプリントサーバーでの情報更新日： 2022年09月08日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

位置モデル計数または#SATは,Boole公式の満足な割当ての数を計算する問題である。多くの離散確率推論問題を含む,異なる応用分野からの多くの問題は,#SATソルバによって解決されるべきモデル計数問題に変換することができる。しかし,正確な#SATソルバは,しばしば工業的サイズインスタンスにスケーラブルでない。本論文では,与えられた問題群からインスタンス上の正確な#SATソルバの性能を改善するために,分岐ヒューリスティックスを学習するためのアプローチであるNeuro#を提案した。提案手法は,同じ問題ファミリーから,同様に分散されたアウトアウトインスタンスのステップカウントを低減し,さらに大きなインスタンスに一般化することを示した。非常に異なる構造を持つ多数の異なる問題ファミリーについてこれらの結果を実現できた。ステップカウント改善に加えて,Neuro#は,モデルの質問の実行時間オーバヘッドにもかかわらず,いくつかの問題族でより大きな事例で,vanillaソルバ上で,大きさ壁-クロック高速化の桁も達成することができる。【JST・京大機械翻訳】

, , , , , ,
, , , 【Automatic Indexing@JST】

人工知能 , 計算理論 , データベースシステム

, , , , ,

前のページに戻る